CN112819647B - 一种电网故障后暂态稳定性实时预测方法及装置 - Google Patents

一种电网故障后暂态稳定性实时预测方法及装置 Download PDF

Info

Publication number
CN112819647B
CN112819647B CN202011424246.3A CN202011424246A CN112819647B CN 112819647 B CN112819647 B CN 112819647B CN 202011424246 A CN202011424246 A CN 202011424246A CN 112819647 B CN112819647 B CN 112819647B
Authority
CN
China
Prior art keywords
energy
power grid
unit
adopting
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011424246.3A
Other languages
English (en)
Other versions
CN112819647A (zh
Inventor
杨跃
刘挺坚
张俊峰
张毅超
吴晓宇
赵艳军
王钤
唐景星
梁晓兵
刘军
王义勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202011424246.3A priority Critical patent/CN112819647B/zh
Publication of CN112819647A publication Critical patent/CN112819647A/zh
Application granted granted Critical
Publication of CN112819647B publication Critical patent/CN112819647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units

Abstract

本发明公开了一种电网故障后暂态稳定性实时预测方法及装置，其中方法包括：当检测到电网发生故障时，通过同步相量测量单元PMU采集电网受扰轨迹数据；采用电网受扰轨迹数据，计算所有机组对分别对应的响应能量指标；采用所有机组对分别对应的响应能量指标构建机组对能量特征图数据；将机组对能量特征图数据输入预设已训练卷积神经网络模型，得到电网故障后暂态稳定性预测结果。本发明将电网受扰轨迹数据转换为机组对响应能量指标，并生成机组对能量特征图，采用机组对能量特征图作为输入量，结合含注意力机制的卷积神经网络模型，能够有效提高暂态稳定信息在模型中的流动，可以快速、简单地对电网故障后的暂态稳定性进行实时预测。

Description

一种电网故障后暂态稳定性实时预测方法及装置
技术领域
本发明涉及稳定性预测技术领域，尤其涉及一种电网故障后暂态稳定性实时预测方法及装置。
背景技术
随着电力系统的快速发展，大规模新能源接入与区域电网互联已成为趋势。复杂的网架结构给系统安全稳定运行带来了严峻考验，因此需要快速且有效的暂态稳定评估(Transient stability assessment，TSA)方法来分析电网运行状态及潜在风险，以便及时应对电网安全事故的发生。
现有的暂态稳定评估方法主要包括以下几类：一是传统的时域仿真法和直接法，该类方法基于系统模型参数进行计算，方法直观，适用于不同的元件模型。二是基于机器学习的方法，如决策树、支持向量机、人工神经网络等浅层学习方法，该类方法无需对系统进行建模，通过对样本数据的离线训练，能得到系统状态参数与暂态稳定性之间的潜在关联关系。随着深度学习技术的发展，如深度置信网络、卷积神经网络等深度学习方法也被应用于暂态稳定评估中，但仍处于起步阶段。
然而，时域仿真法计算准确但速度慢，直接法能快速做出暂态稳定性评估，但精度不高，当系统规模增大时，两种方法均无法满足在线评估的需求。基于机器学习的方法计算效率高，但对输入特征量有较高的要求。目前缺乏统一的输入特征量构造方法，机器学习模型的表达能力也受限于输入特征的维数，当维数较高时，模型的性能会有所下降。
发明内容
本发明提供了一种电网故障后暂态稳定性实时预测方法及装置，用于解决现有技术无法简单、快速地对电网故障后的暂态稳定性进行实时预测的技术问题。
本发明提供的一种电网故障后暂态稳定性实时预测方法，应用于电力系统，所述电力系统包括多个机组；任意两个所述机组构成机组对；所述方法包括：
当检测到电网发生故障时，通过同步相量测量单元PMU采集电网受扰轨迹数据；
采用所述电网受扰轨迹数据，计算所有所述机组对分别对应的响应能量指标；
采用所有所述机组对分别对应的所述响应能量指标构建机组对能量特征图数据；
将所述机组对能量特征图数据输入预设已训练卷积神经网络模型，得到电网故障后暂态稳定性预测结果；其中，所述已训练卷积神经网络模型包含有注意力机制。
可选地，所述电网受扰轨迹数据包括所述机组对中每个机组的功角、转速、转子角速度偏差、惯性时间常数、机械功率和电磁功率。
可选地，所述响应能量指标包括相对响应动能和相对响应势能；所述采用所述电网受扰轨迹数据，计算所有所述机组对分别对应的响应能量指标的步骤，包括：
采用所述转子角速度偏差和所述和惯性时间常数，计算所述机组对的等效惯性时间常数和转速差；
采用所述等效惯性时间常数和所述转速差计算所述机组对的相对响应动能；
采用所述机械功率、所述电磁功率、所述转速差和所述惯性时间常数计算所述机组对的相对响应势能。
可选地，所述采用所有所述机组对分别对应的所述响应能量指标构建机组对能量特征图数据的步骤，包括：
采用所有所述机组对分别对应的所述相对响应动能生成动能矩阵；
采用所有所述机组对分别对应的所述相对响应势能生成势能矩阵；
采用所述动能矩阵和所述势能矩阵生成三维张量数据，作为所有所述机组对的机组对能量特征图数据。
本发明还提供了一种电网故障后暂态稳定性实时预测装置，应用于电力系统，所述电力系统包括多个机组；任意两个所述机组构成机组对；所述装置包括：
电网受扰轨迹数据采集模块，用于当检测到电网发生故障时，通过同步相量测量单元PMU采集电网受扰轨迹数据；
响应能量指标计算模块，用于采用所述电网受扰轨迹数据，计算所有所述机组对分别对应的响应能量指标；
机组对能量特征图数据构建模块，用于采用所有所述机组对分别对应的所述响应能量指标构建机组对能量特征图数据；
预测模块，用于将所述机组对能量特征图数据输入预设已训练卷积神经网络模型，得到电网故障后暂态稳定性预测结果；其中，所述已训练卷积神经网络模型包含有注意力机制。
可选地，所述电网受扰轨迹数据包括所述机组对中每个机组的功角、转速、转子角速度偏差、惯性时间常数、机械功率和电磁功率。
可选地，所述响应能量指标包括相对响应动能和相对响应势能；所述响应能量指标计算模块，包括：
等效惯性时间常数和转速差计算子模块，用于采用所述转子角速度偏差和所述和惯性时间常数，计算所述机组对的等效惯性时间常数和转速差；
相对响应动能计算子模块，用于采用所述等效惯性时间常数和所述转速差计算所述机组对的相对响应动能；
相对响应势能计算子模块，用于采用所述机械功率、所述电磁功率、所述转速差和所述惯性时间常数计算所述机组对的相对响应势能。
可选地，所述机组对能量特征图数据构建模块，包括：
动能矩阵生成子模块，用于采用所有所述机组对分别对应的所述相对响应动能生成动能矩阵；
势能矩阵生成子模块，用于采用所有所述机组对分别对应的所述相对响应势能生成势能矩阵；
机组对能量特征图数据生成子模块，用于采用所述动能矩阵和所述势能矩阵生成三维张量数据，作为所有所述机组对的机组对能量特征图数据。
本发明还提供了一种电子设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的电网故障后暂态稳定性实时预测方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的电网故障后暂态稳定性实时预测方法。
从以上技术方案可以看出，本发明具有以下优点：本发明将电网受扰轨迹数据转换为机组对响应能量指标，并生成机组对能量特征图，采用机组对能量特征图作为输入量，结合含注意力机制的卷积神经网络模型，能够有效提高暂态稳定信息在模型中的流动，可以快速、简单地对电网故障后的暂态稳定性进行实时预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种电网故障后暂态稳定性实时预测方法的步骤流程图；
图2为本发明另一实施例提供的一种电网故障后暂态稳定性实时预测方法的步骤流程图；
图3a为稳定场景下的发电机功角曲线；
图3b为稳定场景下的发电机转速偏差曲线；
图4a为失稳场景下的发电机功角曲线；
图4b为失稳场景下的发电机转速偏差曲线；
图5为任意两机组对间的网络的等效网络；
图6a为稳定场景下发电机机组对相对响应动能曲线；
图6b为稳定场景下发电机机组对相对响应势能曲线；
图7a为失稳场景下发电机机组对相对响应动能曲线；
图7b为失稳场景下发电机机组对相对响应势能曲线；
图8为本发明实施例提供的含注意力机制的卷积神经网络模型的结构示意图；
图9为本发明实施例提供的一种卷积神经网络训练流程图
图10为本发明实施例提供的一种电网故障后暂态稳定性实时预测装置的结构框图。
具体实施方式
本发明实施例提供了一种电网故障后暂态稳定性实时预测方法及装置，用于解决现有技术无法简单、快速地对电网故障后的暂态稳定性进行实时预测的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种电网故障后暂态稳定性实时预测方法的步骤流程图。
本发明提供的一种电网故障后暂态稳定性实时预测方法，应用于电力系统，所述电力系统包括多个机组；任意两个所述机组构成机组对；所述方法包括：
步骤101，当检测到电网发生故障时，通过同步相量测量单元PMU采集电网受扰轨迹数据；
PMU(phasor measurement unit，同步相量测量单元)，是利用全球定位系统(GPS)秒脉冲作为同步时钟构成的相量测量单元。可用于电力系统的动态监测、系统保护和系统分析和预测等领域，是保障电网安全运行的重要设备。现场试验、运行以及应用研究的结果表明：同步相量测量技术在电力系统状态估计与动态监视、稳定预测与控制、模型验证、继电保护、故障定位等方面获得了应用或有应用前景。
在本发明实施例中，在电网发生故障时，可以通过PMU采集电网受扰轨迹数据。
步骤102，采用所述电网受扰轨迹数据，计算所有所述机组对分别对应的响应能量指标；
在获取到电网受扰轨迹数据后，可以根据电网受扰轨迹数据，计算机组对分别对应的响应能量指标。
步骤103，采用所有所述机组对分别对应的所述响应能量指标构建机组对能量特征图数据；
根据每个机组对的响应能量指标，可构建机组对能量特征图数据。
步骤104，将所述机组对能量特征图数据输入预设已训练卷积神经网络模型，得到电网故障后暂态稳定性预测结果；其中，所述已训练卷积神经网络模型包含有注意力机制。
将机组对能量特征图数据输入离线训练好的含注意力机制的卷积神经网络模型，可以对电网故障后的暂态稳定性进行实预测。
本发明将电网受扰轨迹数据转换为机组对响应能量指标，并生成机组对能量特征图，采用机组对能量特征图作为输入量，结合含注意力机制的卷积神经网络模型，能够有效提高暂态稳定信息在模型中的流动，可以快速、简单地对电网故障后的暂态稳定性进行实时预测。
请参阅图2，图2为本发明另一实施例提供的一种电网故障后暂态稳定性实时预测方法的步骤流程图。
本发明提供了一种电网故障后暂态稳定性实时预测方法，具体可以包括以下步骤：
步骤201，当检测到电网发生故障时，通过同步相量测量单元PMU采集电网受扰轨迹数据；
在本发明实施例中，当电网发生故障时，可以采用PMU采集电网实时受扰轨迹数据，如发电机机组功角、转速、转子角速度偏差、惯性时间常数、机械功率、电磁功率等。用于后续进行响应能量指标的计算。
在一个示例中，以IEEE 10机39节点系统为例，也可以利用电力系统分析软件BPA进行离线时域仿真，随机在距离线路首端2％、25％、50％、75％、98％的位置设置三相短路故障，在0.1s后切除故障。仿真得到不同稳定场景下，系统的发电机功角和转速曲线分别如图3a、图3b，图4a、图4b所示。提取故障切除后6个工频周期(一个工频周期为0.02s)的轨迹数据，以此模拟PMU采集电网实时量测数据。其中，图3a为稳定场景下的发电机功角曲线；图3b为稳定场景下的发电机转速偏差曲线。图4a为失稳场景下的发电机功角曲线；图4b为失稳场景下的发电机转速偏差曲线。
步骤202，采用所述转子角速度偏差和所述和惯性时间常数，计算所述机组对的等效惯性时间常数和转速差；
步骤203，采用所述等效惯性时间常数和所述转速差计算所述机组对的相对响应动能；
步骤204，采用所述机械功率、所述电磁功率、所述转速差和所述惯性时间常数计算所述机组对的相对响应势能；
在本发明实施例中，响应能量指标包括相对响应动能和相对响应势能。
在实际应用中，对于多机电力系统，设系统中发电机组分别为Gi,Gj,…,GN，其机械功率和电磁功率分别为Pmi,Pmj,…,PmN和Pei,Pej,…,PeN，可将任意两两机组对间的网络(包括负荷、输电线路)描述为如图5的等效网络。
以发电机Gi和Gj组成的机组对为例，在同步坐标系下，两台发电机的转子运动方程分别为：
Figure GDA0002990241480000071
Figure GDA0002990241480000072
其中，ωi、δi、Mi、ωj、δj、Mj分别表示Gi和Gj的转子角速度偏差、转子角、惯性时间常数。
对上述转子运动方程进行变化，得到机组对Gi-Gj的转子运动方程如下：
Figure GDA0002990241480000073
其中，ωij＝ωi-ωj为机组对的转速差；Mij＝MiMj/(Mi+Mj)为机组对Gi-Gj的等效惯性时间常数；机组对Gi-Gj的相对响应动能Pmij和相对响应势能Peij分别满足：
Figure GDA0002990241480000081
Figure GDA0002990241480000082
由于机组对Gi-Gj的转子运动方程与单机无穷大系统转子运动方程十分类似，考虑将机组对Gi-Gj的相对响应动能表示为：
Figure GDA0002990241480000083
对系统内任意机组对，均可按上式计算任意机组对Gi-Gj的相对响应动能。
同理，按单机无穷大系统的势能公式可推导得到机组对的相对响应势能为：
Figure GDA0002990241480000084
其中，tc表示故障切除时间，δij为Gi-Gj的相对转子角。
在一个示例中，以时域仿真数据模拟PMU采集的电网实时量测数据，利用上述相对响应动能公式和相对响应势能公式，可以分别计算出故障切除后，不同场景下系统机组对的相对响应动能和相对响应势能，如图6a、图6b、图7a、图7b所示。其中，图6a为稳定场景下发电机机组对相对响应动能曲线；图6b为稳定场景下发电机机组对相对响应势能曲线。图7a为失稳场景下发电机机组对相对响应动能曲线；图7b为失稳场景下发电机机组对相对响应势能曲线。由图6a、图6b、图7a、图7b可以看出，稳定与失稳场景下，机组对相对响应动能和相对响应势能曲线与故障切除后发电机功角和转速曲线的变化趋势相一致，从而说明了基于发电机相对能量分析系统故障后暂态稳定性的合理性。
步骤205，采用所有所述机组对分别对应的所述响应能量指标构建机组对能量特征图数据；
在本发明实施例中，步骤205可以包括以下步骤：
采用所有所述机组对分别对应的所述相对响应动能生成动能矩阵；
采用所有所述机组对分别对应的所述相对响应势能生成势能矩阵；
采用所述动能矩阵和所述势能矩阵生成三维张量数据，作为所有所述机组对的机组对能量特征图数据。
在具体实现中，针对实际多机电力系统，在分别计算任意机组对的相对响应动能和相对响应势能后，可以形成如下所示的动能矩阵
Figure GDA0002990241480000091
和势能矩阵
Figure GDA0002990241480000092
Figure GDA0002990241480000093
Figure GDA0002990241480000094
将动能和势能矩阵的每一个元素视为N*N维图像数据中一个像素点，将动能和势能分别视为图像数据的两个通道，在第三维度进行拼接，由此得到三维张量数据
Figure GDA0002990241480000095
即机组对能量特征图数据，作为描述电网故障后系统暂态稳定性的图特征表达，形成机组对能量特征图数据，并作为神经网络模型的输入特征量。
步骤206，将所述机组对能量特征图数据输入预设已训练卷积神经网络模型，得到电网故障后暂态稳定性预测结果；其中，所述已训练卷积神经网络模型包含有注意力机制。
在得到了输入特征量后，将其输入离线训练好的含注意力机制的卷积神经网络模型，可以对电网故障后的暂态稳定性进行实时预测。
具体地，含注意力机制的卷积神经网络是在CNN网络的卷积层之间，有顺序地嵌入通道注意力模块(channel attention module)和空间注意力模块(spatial attentionmodule)，具体结构如图8所示。通道注意力模块着重于输入量中的重要信息是什么，而空间注意力模块则与之互补，聚焦于重要信息的位置在何处。通过两个含注意力机制的模块学习，对重要信息进行加强，反之抑制，有助于网络中重要信息的有效流动。
在一个示例中，请参阅图9，图9为本发明实施例提供的一种卷积神经网络训练流程图。如图9所示，含注意力机制的卷积神经网络的训练可以采用以下方式实现：
利用仿真软件对测试系统进行故障仿真，令系统负荷水平在基准运行方式的75％—120％之间随机波动，同时按比例调整发电机有功出力，以保证系统有功功率平衡。在系统不同的运行工况下，随机在线路不同位置设置故障点，构建电网不同故障场景下的响应样本集。提取样本集中发电机受扰后的功角、转速、机械功率、电磁功率轨迹数据，计算机组对的响应能量指标并形成机组对能量特征图，将输入特征量分为训练集和测试集。训练集用于训练含注意力机制的卷积神经网络模型，测试集用于评价预测模型的预测性能。
在实际应用中，将构建得到的输入特征量输入离线训练好的含注意力机制的卷积神经网络模型中，能够预测出电网故障后的暂态稳定性，预测准确率可以达到99.6％。
本发明将电网受扰轨迹数据转换为机组对响应能量指标，并生成机组对能量特征图，采用机组对能量特征图作为输入量，结合含注意力机制的卷积神经网络模型，能够有效提高暂态稳定信息在模型中的流动，可以快速、简单地对电网故障后的暂态稳定性进行实时预测。
请参阅图10，图10为本发明实施例提供的一种电网故障后暂态稳定性实时预测装置的结构框图。
本发明提供了一种电网故障后暂态稳定性实时预测装置，应用于电力系统，所述电力系统包括多个机组；任意两个所述机组构成机组对；所述装置包括：
电网受扰轨迹数据采集模块1001，用于当检测到电网发生故障时，通过同步相量测量单元PMU采集电网受扰轨迹数据；
响应能量指标计算模块1002，用于采用所述电网受扰轨迹数据，计算所有所述机组对分别对应的响应能量指标；
机组对能量特征图数据构建模块1003，用于采用所有所述机组对分别对应的所述响应能量指标构建机组对能量特征图数据；
预测模块1004，用于将所述机组对能量特征图数据输入预设已训练卷积神经网络模型，得到电网故障后暂态稳定性预测结果；其中，所述已训练卷积神经网络模型包含有注意力机制。
在本发明实施例中，所述电网受扰轨迹数据包括所述机组对中每个机组的功角、转速、转子角速度偏差、惯性时间常数、机械功率和电磁功率。
在本发明实施例中，所述响应能量指标包括相对响应动能和相对响应势能；所述响应能量指标计算模块1002，包括：
等效惯性时间常数和转速差计算子模块，用于采用所述转子角速度偏差和所述和惯性时间常数，计算所述机组对的等效惯性时间常数和转速差；
相对响应动能计算子模块，用于采用所述等效惯性时间常数和所述转速差计算所述机组对的相对响应动能；
相对响应势能计算子模块，用于采用所述机械功率、所述电磁功率、所述转速差和所述惯性时间常数计算所述机组对的相对响应势能。
在本发明实施例中，所述机组对能量特征图数据构建模块1003，包括：
动能矩阵生成子模块，用于采用所有所述机组对分别对应的所述相对响应动能生成动能矩阵；
势能矩阵生成子模块，用于采用所有所述机组对分别对应的所述相对响应势能生成势能矩阵；
机组对能量特征图数据生成子模块，用于采用所述动能矩阵和所述势能矩阵生成三维张量数据，作为所有所述机组对的机组对能量特征图数据。
本发明还提供了一种电子设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行本发明实施例所述的电网故障后暂态稳定性实时预测方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行本发明实施例所述的电网故障后暂态稳定性实时预测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来达到实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种电网故障后暂态稳定性实时预测方法，其特征在于，应用于电力系统，所述电力系统包括多个机组；任意两个所述机组构成机组对；所述方法包括：
当检测到电网发生故障时，通过同步相量测量单元PMU采集电网受扰轨迹数据；
采用所述电网受扰轨迹数据，计算所有所述机组对分别对应的响应能量指标，其中所述响应能量指标包括相对响应动能和相对响应势能；
采用所有所述机组对分别对应的所述响应能量指标构建机组对能量特征图数据；
将所述机组对能量特征图数据输入预设已训练卷积神经网络模型，得到电网故障后暂态稳定性预测结果；其中，所述已训练卷积神经网络模型包含有注意力机制；
所述采用所有所述机组对分别对应的所述响应能量指标构建机组对能量特征图数据的步骤，包括：
采用所有所述机组对分别对应的所述相对响应动能生成动能矩阵；
采用所有所述机组对分别对应的所述相对响应势能生成势能矩阵；
采用所述动能矩阵和所述势能矩阵生成三维张量数据，作为所有所述机组对的机组对能量特征图数据；
所述电网受扰轨迹数据包括所述机组对中每个机组的功角、转速、转子角速度偏差、惯性时间常数、机械功率和电磁功率；
所述采用所述电网受扰轨迹数据，计算所有所述机组对分别对应的响应能量指标的步骤，包括：
采用所述转子角速度偏差和所述惯性时间常数，计算所述机组对的等效惯性时间常数和转速差；
采用所述等效惯性时间常数和所述转速差计算所述机组对的相对响应动能；
采用所述机械功率、所述电磁功率、所述转速差和所述惯性时间常数计算所述机组对的相对响应势能。
2.一种电网故障后暂态稳定性实时预测装置，其特征在于，应用于电力系统，所述电力系统包括多个机组；任意两个所述机组构成机组对；所述装置包括：
电网受扰轨迹数据采集模块，用于当检测到电网发生故障时，通过同步相量测量单元PMU采集电网受扰轨迹数据；
响应能量指标计算模块，用于采用所述电网受扰轨迹数据，计算所有所述机组对分别对应的响应能量指标，其中所述响应能量指标包括相对响应动能和相对响应势能；
机组对能量特征图数据构建模块，用于采用所有所述机组对分别对应的所述响应能量指标构建机组对能量特征图数据；
预测模块，用于将所述机组对能量特征图数据输入预设已训练卷积神经网络模型，得到电网故障后暂态稳定性预测结果；其中，所述已训练卷积神经网络模型包含有注意力机制；
所述机组对能量特征图数据构建模块，包括：
动能矩阵生成子模块，用于采用所有所述机组对分别对应的所述相对响应动能生成动能矩阵；
势能矩阵生成子模块，用于采用所有所述机组对分别对应的所述相对响应势能生成势能矩阵；
机组对能量特征图数据生成子模块，用于采用所述动能矩阵和所述势能矩阵生成三维张量数据，作为所有所述机组对的机组对能量特征图数据；
所述电网受扰轨迹数据包括所述机组对中每个机组的功角、转速、转子角速度偏差、惯性时间常数、机械功率和电磁功率；
所述响应能量指标计算模块，包括：
等效惯性时间常数和转速差计算子模块，用于采用所述转子角速度偏差和所述惯性时间常数，计算所述机组对的等效惯性时间常数和转速差；
相对响应动能计算子模块，用于采用所述等效惯性时间常数和所述转速差计算所述机组对的相对响应动能；
相对响应势能计算子模块，用于采用所述机械功率、所述电磁功率、所述转速差和所述惯性时间常数计算所述机组对的相对响应势能。
3.一种电子设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1任一项所述的电网故障后暂态稳定性实时预测方法。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1任一项所述的电网故障后暂态稳定性实时预测方法。
CN202011424246.3A 2020-12-08 2020-12-08 一种电网故障后暂态稳定性实时预测方法及装置 Active CN112819647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011424246.3A CN112819647B (zh) 2020-12-08 2020-12-08 一种电网故障后暂态稳定性实时预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011424246.3A CN112819647B (zh) 2020-12-08 2020-12-08 一种电网故障后暂态稳定性实时预测方法及装置

Publications (2)

Publication Number Publication Date
CN112819647A CN112819647A (zh) 2021-05-18
CN112819647B true CN112819647B (zh) 2023-04-07

Family

ID=75853329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011424246.3A Active CN112819647B (zh) 2020-12-08 2020-12-08 一种电网故障后暂态稳定性实时预测方法及装置

Country Status (1)

Country Link
CN (1) CN112819647B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794998A (zh) * 2010-02-05 2010-08-04 湖南大学 基于多机电力系统单一发电机电磁功率简洁表达方式的暂态稳定在线分析方法
CN109981252A (zh) * 2019-03-12 2019-07-05 中国科学院信息工程研究所 一种基于关键路径加密的人工智能处理器安全增强系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2128125C (en) * 1994-07-15 2000-07-18 British Columbia Hydro And Power Authority Method of on-line transient stability assessment of electrical power systems
US7840395B2 (en) * 2006-03-10 2010-11-23 Edsa Micro Corporation Systems and methods for predictive monitoring including real-time strength and security analysis in an electrical power distribution system
CA2911753A1 (en) * 2013-05-06 2014-11-13 Ramakrishna Gokaraju Methods and apparatus for detection of transient instability and out-of-step conditions by state deviation
CN103473478B (zh) * 2013-09-30 2017-03-01 电子科技大学 基于能量函数的电网暂态稳定性评估方法
CN109861220B (zh) * 2019-03-22 2022-07-01 西南交通大学 电力系统分析用深度卷积神经网络张量输入构建方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794998A (zh) * 2010-02-05 2010-08-04 湖南大学 基于多机电力系统单一发电机电磁功率简洁表达方式的暂态稳定在线分析方法
CN109981252A (zh) * 2019-03-12 2019-07-05 中国科学院信息工程研究所 一种基于关键路径加密的人工智能处理器安全增强系统及方法

Also Published As

Publication number Publication date
CN112819647A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
Tang et al. Transient stability index from conventional time domain simulation
CN110417011B (zh) 一种基于互信息与迭代随机森林的在线动态安全评估方法
CN104317283A (zh) 一种用于风电场控制系统硬件在环测试平台及其测试方法
CN103473478B (zh) 基于能量函数的电网暂态稳定性评估方法
CN109713685A (zh) 一种适用于vsc接入引发次同步振荡的在线定位方法
CN110417005B (zh) 结合深度学习和仿真计算的暂态稳定严重故障筛选方法
CN112800683B (zh) 基于卷积神经网络的系统短路电流水平评估方法及系统
CN204314716U (zh) 一种用于风电场控制系统硬件在环测试平台
Hua et al. Fast unscented transformation-based transient stability margin estimation incorporating uncertainty of wind generation
Yang et al. Analysis of power system transient stability characteristics with the application of massive transient stability simulation data
Hassani et al. Regression models with graph-regularization learning algorithms for accurate fault location in smart grids
Zhang et al. US eastern interconnection (EI) model reductions using a measurement-based approach
Bila Power system dynamic state estimation and load modeling
CN112819647B (zh) 一种电网故障后暂态稳定性实时预测方法及装置
CN110635474B (zh) 一种基于长短期记忆网络的电网动态轨迹趋势预测方法
CN108054768A (zh) 基于主成分分析的电力系统暂态稳定评估方法
Ni et al. Cross‐gramian‐based dynamic equivalence of wind farms
CN107102543B (zh) 一种能量路由器抗干扰控制器的形成方法及装置
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
CN106920047B (zh) 基于层次存储模型的电网统计数据派生计算方法及系统
CN113435575B (zh) 基于不平衡数据的门图神经网络暂态稳定性评估方法
Wang et al. Ensemble Learning Model of Power System Transient Stability Assessment Based on Bayesian Model Averaging Method
CN103279641A (zh) 对除发电机外复杂电力系统进行多模态动态等值的方法
CN111367254B (zh) 光伏电站解析单机等值方法、系统及设备
CN110212571B (zh) 一种可再生能源发电系统稳定性量化分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant